LiDAR地物提取研究LiDAR地物提取研究LiDAR地物提取研究LiDAR地物提取研究LiDAR地物提取研究LiDAR地物提取研究LiDAR地物提取研究LiDAR地物提取研究LiDAR地物提取研究

为了更准确地对遥感数据进行分类,结合Geo Eye高分辨率遥感影像和机载Li DAR数据,通过对分割参数、特征选择、分类规则等特征进行研究,提出采用面向对象的模糊分类方法——成员函数法选择实验区进行了分类研究。实验结果表明:该分类方法能够更有效地提取出建筑物、煤堆、灌木等矿区典型地物,总体分类精度达到93.92%,KIA为92.52%,分类精度相比单一遥感数据明显提高。

针对复杂场景下激光雷达测量（LiDAR）点云数据的地物分类问题，提出了一种基于多尺度特征和PointNet的深度神经网络模型，该方法改进了PointNet提取局部特征的能力，实现了复杂场景下LiDAR点云的自动分类。在PointNet网络基础上添加多尺度网络提取点的局部特征，将不同尺度点的局部特征通过全连接层组成一个多维特征，并与PointNet提取的全局特征相结合，返回每个点类的分数以完成点云分类标签。利用Semantic 三维数据集和ISPRS提供的Vaihingen数据集，验证了所提深度神